[发明专利]基于近红外高光谱技术的冬枣检测方法

说明书

本发明提供了基于近红外高光谱技术的冬枣检测方法，包括以下步骤：(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；(A2)在近红外高光谱数据中选择感兴趣区域，并提取高光谱数据；获得冬枣的参数；根据获得的冬枣的参数，划分校正集和验证集；(A3)预处理冬枣的提取的高光谱数据；(A4)选择冬枣的特征波长；(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；(B1)在近红外高光谱数据中，分割出冬枣的高光谱数据；(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；(B3)利用建模的波段、波段的回归系数和偏置处理步骤(B2)中预处理后的高光谱数据，得到冬枣样品图像的灰度图。本发明满足了检测效率高的要求。

技术领域

本发明涉及水果检测，特别涉及基于近红外高光谱技术的冬枣检测方法。

背景技术

冬枣又名冻枣，是目前公认的鲜食优质栽培品种。虽然身材矮、小、圆，但就在冬枣圆滚滚的小身子里，含有高达243mg/100g的维生素C(Vc)，差不多是苹果的60倍，柠檬的10倍，猕猴桃的4倍，是水果中的Vc之王了。

国内早期的冬枣品质检测主要是人工检测和化学试剂检测，人工检测仅仅局限于冬枣的外观和大小，并且检测标准不明确，易于受到个人主观因素的影响。传统的化学检测方法和技术，不仅需要耗费大量的人力、财力和物力而且过程繁琐所产生的废液还会污染环境，由于技术的复杂性，并不利于推广技术做到广泛地应用。

近年来兴起的近红外光谱检测技术，克服了传统化学检测方法的一些缺点，只需要事先建立好冬枣的模型，然后就可以预测冬枣的Vc。但是受制于其技术本身缺陷，只能采集冬枣的表面的单点光谱进行预测，并不具有代表性和不能体现冬枣Vc的分布。后续提出在以冬枣的赤轴进行光谱数据采集，每隔120°采集一次光谱，一共采集三次光谱取平均值进行预测，虽然相对于单点光谱，提高了模型的预测能力。同时也增加了专业人员的工作量。

近红外高光谱技术是近红外技术与成像技术的结合，具有图谱合一的优势。近年来，近高光谱技术广泛的用于农产品的检测与分级，有的利用近红外高光谱技术进行苹果表面的损伤判别，有的利用近红外高光谱技术进行羊肉的掺假定性判别等。目前还有没利用近红外高光谱技术对冬枣的Vc进行快速检测和分级的。因此提供一种快速准确冬枣Vc的检测方法，显得尤为重要。

发明内容

为解决上述现有技术方案中的不足，本发明提供了一种基于近红外高光谱技术的冬枣检测方法。

本发明的目的是通过以下技术方案实现的：

基于近红外高光谱技术的冬枣检测方法，所述基于近红外高光谱技术的冬枣检测方法包括以下步骤：

(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；

(A2)在所述近红外高光谱技术中选择感兴趣区域，并提取高光谱数据；

对所述感兴趣区域检测，获得冬枣的参数，所述参数是Vc含量或水分含量或含糖量；根据获得的冬枣的参数，划分校正集和验证集；

(A3)预处理所述冬枣的提取的高光谱数据；

(A4)使用连续投影算法或全谱建模方法或竞争性自适应加权算法选择冬枣的特征波长；

(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；

(B1)在所述近红外高光谱数据中，提取冬枣和背景的平均光谱，并分割出冬枣的高光谱数据，该高光谱数据包括每一个像元的位置和反射率；

(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；